CN112484732B - 一种基于ib-abc算法的无人机飞行路径规划方法 - Google Patents

一种基于ib-abc算法的无人机飞行路径规划方法 Download PDF

Info

Publication number
CN112484732B
CN112484732B CN202011370176.8A CN202011370176A CN112484732B CN 112484732 B CN112484732 B CN 112484732B CN 202011370176 A CN202011370176 A CN 202011370176A CN 112484732 B CN112484732 B CN 112484732B
Authority
CN
China
Prior art keywords
path
bee
aerial vehicle
unmanned aerial
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011370176.8A
Other languages
English (en)
Other versions
CN112484732A (zh
Inventor
谭励
王浩宇
连晓峰
徐天瀛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202011370176.8A priority Critical patent/CN112484732B/zh
Publication of CN112484732A publication Critical patent/CN112484732A/zh
Application granted granted Critical
Publication of CN112484732B publication Critical patent/CN112484732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公布了一种基于IB‑ABC的无人机飞行路径规划方法，属于空中无线传感器网络技术领域。IB‑ABC为改进平衡蜂群算法，包括雇佣蜂优化路径策略、跟随蜂优化路径策略和侦查蜂优化路径策略；通过对人工蜂群ABC路径规划算法进行改进，基于迭代过程的反馈信息改进雇佣蜂策略和跟随蜂策略，提高优化路径局部搜索能力；通过采用侦查蜂优化路径策略生成新路径平衡局部搜索和全局搜索能力；从而快速生成三维环境下长度短且安全平滑的无人机飞行路径。

Description

一种基于IB-ABC算法的无人机飞行路径规划方法
技术领域
本发明属于空中无线传感器网络技术领域，涉及一种三维环境下的无人机路径规划方法，尤其涉及一种基于改进IB-ABC算法的无人机飞行路径规划方法。
背景技术
近年来，无线传感器网络凭借着高度的学科融合性和广阔的应用前景而受到学术界和高新技术领域的广泛关注。无线传感器网络根据其传感器节点的不同特点可以划分为各种类型，其中，空中无线传感器网络因为其采用兼具感知能力和自主飞行能力的微小型无人机作为传感器节点，能够根据实际情况，在多种复杂环境条件下准确的获取信息而成为计算机领域的研究热点。
在空中无线传感器网络中，由于需要通过飞行穿越各种环境完成信息采集等任务，无人机的路径规划方法一直是研究者们的重点关注对象。无人机路径规划问题的主要目标在于寻找一条可行路径，该路径要求无人机能够安全无碰撞的到达目的地。由于在实际应用中，需要考虑路径长度、离地高度等多种因素，往往需要考虑多个优化目标以获得准确的解决方案，因此无人机路径规划问题也被归类为多目标优化问题(Multi-ObjectiveOptimization Problem，MOOP)。
目前在多目标优化问题上，求解全局最优解是主要的研究方向。由于全局最优解不能采用枚举的方法，以进化算法(Evolution Algorithm，EA)为代表的启发式算法得到了广泛的关注，并且发展出了众多分支算法，例如遗传算法(Genetic Algorithm，GA)、差分进化算法(Differential Evolution Algorithm，DE)、蚁群算法(Ant Colony Optimization,ACO)、粒子群算法(article Swarm Optimization,PSO)和人工蜂群算法(Artificial BeeColony，ABC)等，其中ABC算法凭借其只需要对问题的解进行优劣比较就能得到最优解的快速简便、控制参数少的特点，在实际应用中表现出了高效性和实用性。
ABC算法是一种以蜂群的觅食行为构建框架的群智能优化算法。在该算法中，蜜源的位置代表求解问题的一个可能解，蜜源的花蜜量代表相应解的适应度，蜂群由三部分组成：雇佣蜂、跟随蜂和侦查蜂，三种蜜蜂代表三种搜索策略。雇佣蜂策略在局部进行蜜源搜索，与蜜源一一对应，搜索结果就是雇佣蜂对应的蜜源，跟随蜂策略是根据轮盘赌策略让跟随蜂跟随符合要求的雇佣蜂，并在蜜源附近进行局部搜索，搜索结果为跟随蜂对应的蜜源，侦查蜂策略为利用侦查蜂取代不符合要求的雇佣蜂，并进行全局搜索，搜索结果为侦查蜂对应的蜜源。相比于其他进化算法，ABC有着可以克服其他进化算法容易陷入局部最优缺陷的搜索能力。为了更好的体现这种局部搜索优势，Chiang等提出了一种离散化的优化蜜源算法(DfABC)，与SVM的核心参数一起调整，加强了分类精度和收敛速度，但是在一定程度上降低了局部搜索能力；Rosenbrock等的跟随蜂旋转方向策略、Alatas的混沌理论等利用不同的搜索策略加强了ABC算法在局部的搜索能力；Cui等结合了DE算法的优点提出了D-ABC算法，降低了早期搜索阶段有较大概率陷入局部最优的风险，但是这些加强局部搜索能力的改进都忽视了ABC算法对全局搜索能力的限制。
综上所述，ABC算法在解决无人机的路径规划这一类MOOP问题上有着克服局部最优、收敛速度快、精度高等优点，但是其自身也存在局限性。由于ABC算法强调了轮盘赌策略和侦查蜂的避免过早收敛，只根据结果进行最优解的选择，忽视了内部反馈信息对迭代的影响，在全局搜索方面存在一定不足，难以实现有效的无人机飞行路径规划。
发明内容
为了克服上述现有技术的不足，解决在三维环境下对无人机进行安全、有效的飞行路径规划问题，本发明提出了一种基于改进平衡蜂群算法IB-ABC(Improved BalanceArtificial BeeColony)的路径规划算法，基于人工蜂群ABC算法进行改进得到无人机路径规划算法，适用于三维环境下对无人机进行多优化目标的路径规划，能够实现在复杂山地环境中快速的生成长度较短且安全平滑的无人机飞行路径。
本发明的技术方案是：
一种基于IB-ABC的无人机飞行路径规划方法，IB-ABC为改进平衡蜂群算法，包括雇佣蜂优化路径策略、跟随蜂优化路径策略和侦查蜂优化路径策略；对人工蜂群ABC路径规划算法进行改进，基于迭代过程的反馈信息改进雇佣蜂策略和跟随蜂策略，提高优化路径局部搜索能力，提出侦查蜂策略生成新路径取代原始路径的限制条件，平衡局部搜索和全局搜索能力，能够快速生成三维环境下长度较短且安全平滑的无人机飞行路径。该方法包括以下步骤：
1)无人机路径初始化，包括：在三维直角坐标系中对每一条待优化路径进行编码(通过网格坐标对路径进行编码)，生成路径编码数组；
路径以坐标系中X、Y、Z三个整数组成的点坐标表示；路径编码数组的形式为长度为L的单链表，L也是路径规划IB-ABC算法中解的维度和元素的个数，即路径中坐标点的个数；以路径编码数组作为路径规划IB-ABC算法中的蜜源进行初始化，随机产生SN个蜜源。在ABC算法中，每个蜜源都代表了优化问题的一个解，因此在IB-ABC算法中，每个蜜源就是一个路径编码数组，代表了路径规划问题的一个解，也就是一条无人机飞行路径，SN个蜜源就是路径规划IB-ABC算法中的SN条无人机飞行路径。
2)根据无人机路径实际应用要求构造适应度函数，包括航路轨迹长度、航路平滑度和航路隐蔽度；适应度函数用于衡量生成路径的优化程度，与IB-ABC算法中蜜源的保留与否相关。
3)利用雇佣蜂策略进行飞行路径优化；
利用雇佣蜂策略进行路径优化(蜜源更新)：利用路径规划IB-ABC算法雇佣蜂策略更新蜜源信息；
在路径规划IB-ABC算法中，雇佣蜂、跟随蜂、侦查蜂分别代表优化路径的更新策略，即雇佣蜂策略、跟随蜂策略和侦查蜂策略；三种策略产生的优化解分别命名为雇佣蜂对应的蜜源优化无人机飞行路径、跟随蜂对应的蜜源优化无人机飞行路径、侦查蜂对应的蜜源优化无人机飞行路径是三种策略得到的优化解。在无人机飞行路径规划的算法迭代的每个循环中，雇佣蜂优化路径策略指通过交叉(对于两个等大小的飞行路径编码数组，对应坐标点交换数值)和变异(按照概率对一路径编码数组进行某个坐标点的数值变化)过程，与某个飞行路径编码数组(蜜源)与随机选择的飞行路径(蜜源)进行信息共享，即更新该蜜源代表的飞行路径编码数组，由于雇佣蜂与蜜源一一对应，因此可以视为雇佣蜂在对应的蜜源周围搜索新的蜜源。每次利用雇佣蜂策略进行优化，称为雇佣蜂进行一次搜索，优化结果就是雇佣蜂对应的蜜源优化无人机飞行路径，简称为雇佣蜂优化路径。
在本发明中，通过考虑迭代内部反馈信息Tr(无效的搜索次数)来进行信息共享，而不采用随机信息共享方式。
4)采用贪婪选择策略计算得到的雇佣蜂优化路径适应度值，获取飞行路径；
采用贪婪选择策略计算新的蜜源花蜜量，即新蜜源对应的无人机优化路径适应度值。在路径规划算法中，路径的适应度值越小，路径越接近最优路径。如果新的路径适应度值小于原始飞行路径，则将旧的蜜源舍弃，保留新的蜜源，生成雇佣蜂优化路径取代原始飞行路径，该过程可视作雇佣蜂移动至新的蜜源；反之则雇佣蜂停留在旧蜜源，即不使用雇佣蜂优化路径取代原始飞行路径。
5)利用跟随蜂优化路径策略进行飞行路径优化，得到跟随蜂优化路径：采用为SN个蜜源直接分配跟随蜂的方式，计算每个蜜源对应的无人机飞行路径的适应度值比率；每个跟随蜂都分配到一个蜜源；
跟随蜂优化路径策略指的是，通过一定方式选择某个蜜源并为其分配一个跟随蜂，通过变异过程，在该蜜源对应的飞行路径周围进行新的飞行路径的搜索，由于新的蜜源与跟随蜂一一对应，旧的蜜源与雇佣蜂一一对应，因此可以视为跟随蜂在雇佣蜂周围搜索新的蜜源并选择新的蜜源。每次利用跟随蜂策略进行优化，称为跟随蜂进行一次搜索，优化结果就是跟随蜂对应的蜜源优化无人机飞行路径，简称为跟随蜂优化路径。
在本发明中，采用直接为SN个蜜源分配SN个跟随蜂的方式。计算每个经过雇佣蜂策略后保留的原始飞行路径和雇佣蜂优化路径的适应度值比率，将所有蜜源路径按照比率降序排序，跟随蜂随机依序选择一个蜜源进行分配，直至每个跟随蜂都分配到一个蜜源，即对每个原始无人机飞行路径和雇佣蜂优化路径都可以利用跟随蜂策略优化。
6)采用贪婪选择策略计算得到的跟随蜂优化路径的适应度值；
7)再次选取获取得到飞行路径；
再次进行贪婪选择策略，若跟随蜂优化路径适应度值小于步骤4)后产生的对应的雇佣蜂优化路径或者在步骤4)后未被雇佣蜂优化路径取代的原始飞行路径适应度值，则删除对应的雇佣蜂优化路径或者原始飞行路径，保留跟随蜂优化路径，视为将对应雇佣蜂移动至跟随蜂优化路径对应蜜源；反之则保留使用跟随蜂策略优化之前的无人机飞行路径，即步骤4)后产生的雇佣蜂优化路径和步骤4)后未被雇佣蜂优化路径取代的原始飞行路径。
8)利用侦查蜂策略进行蜜源路径优化，生成侦查蜂优化路径；
侦查蜂策略指的是：在迭代过程中，如果某个蜜源经过雇佣蜂策略和跟随蜂策略仍然没有更新，即该蜜源对应的无人机飞行路径没有得到优化，则删除该无人机路径，在全局重新随机生成一个不同的无人机飞行路径，然后再次进入迭代过程进行优化。由于雇佣蜂和蜜源一一对应，因此可以视为该雇佣蜂及对应蜜源被取代，取代它的就是侦查蜂以及侦查蜂对应的蜜源。每次利用侦查蜂策略进行优化，称为侦查蜂取代雇佣蜂并进行一次搜索，优化结果就是侦查蜂对应的蜜源优化无人机飞行路径，简称为侦查蜂优化路径。
在本发明的迭代过程中，为每个初始蜜源对应的无人机路径设置一个Tr值(Tr为常数，代表蜜源飞行路径经过一个迭代周期的路径优化后，路径编码数组没有更新的次数)，初始为0。经过一次雇佣蜂策略优化后，原始无人机飞行路径没有被雇佣蜂优化路径取代，或者经过一次跟随蜂策略优化后，雇佣蜂优化路径和原始无人机飞行路径没有被跟随蜂优化路径取代，则将该原始无人机路径对应的Tr值加1；相反，当第i个蜜源对应的原始无人机飞行路径被雇佣蜂优化路径、跟随蜂优化路径取代，或者雇佣蜂优化路径被跟随蜂优化路径取代，相应的无人机飞行路径Tr(i)值重置为0。在每次迭代结束后，任何超过阈值Th(提前设置的常量，用于衡量Tr的大小)的Tr(i)都将被重置为L，而不是直接实施侦查蜂策略。在进行下一次迭代前，比较Tr的平均值和γ*D的大小(γ是给定的参数，位于(0，1)之间，用于确定无效搜索的程度，D为每条路径中路径点的个数)，若γ*D较小，则实施侦查蜂策略，将任意γ*SN数量的无人机路径(包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)用侦查蜂优化路径代替，即删除γ*SN数量的侦查蜂优化路径，初始化同样数量的新蜜源路径，且这新的γ*SN条蜜源路径相应的Tr重置为1，然后进入下一轮迭代；如果Tr的平均值较小，直接进入下一次迭代，保留当前所有蜜源路径(包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)，不生成侦查蜂优化路径。
9)每次迭代完成后，记录当前最优解，返回步骤3)继续执行，直至满足迭代次数上限。
10)迭代终止后，输出最优解，生成适应度值最小路径，即实现基于IB-ABC的无人机飞行路径的规划。
与现有技术相比，本发明的有益效果是：
本发明提出一种基于IB-ABC的无人机路径规划方法，基于迭代过程的反馈信息，改进雇佣蜂策略和跟随蜂策略，提高局部搜索优化路径的效率，提出侦查蜂策略生成新路径取代原始路径的限制条件，平衡局部搜索和全局搜索能力，能够快速生成三维环境下长度较短且安全平滑的无人机飞行路径。
附图说明
图1是无人机飞行环境建模示意图。
图2是本发明采用的IB-ABC算法中蜜源路径构建方法示意图。
图3是本发明采用的IB-ABC算法中蜜源路径的单链表结构示意图。
图4是本发明基于IB-ABC算法进行无人机路径规划的方法流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
无人机规划路径是在预先设置的三维空间中，通过计算得到无人机从初始位置到目标位置所经过的点连接成的可行路径，该路径要求满足约束条件，例如路径最短、用时最少等。路径规划算法的实质是在所有满足约束条件的路径中，根据目标要求找到一条最优路径。因此，在进行路径规划算法仿真过程中，首先需要对环境进行建模。建模方法采用网格图法，将无人机的工作环境划分为一系列大小相同的网格。
本发明具体实施时，仿真环境采用500*500*500范围的直角坐标系，如图1所示。本发明所述方法流程如图4所示。在无人机的路径规划过程中执行具体如下10个步骤：
1)无人机路径初始化，包括：在三维直角坐标系中对每一条待优化路径进行编码(通过网格坐标对路径进行编码)，生成路径编码数组；
路径以坐标系中X、Y、Z三个整数组成的点坐标表示；路径编码数组的形式为长度为L的单链表，L也是路径规划IB-ABC算法中解的维度和元素的个数，即路径中坐标点的个数；以路径编码数组作为路径规划IB-ABC算法中的蜜源进行初始化，随机产生SN个蜜源。在ABC算法中，每个蜜源都代表了优化问题的一个解，因此在IB-ABC算法中，每个蜜源就是一个路径编码数组，代表了路径规划问题的一个解，也就是一条无人机飞行路径，SN个蜜源就是路径规划IB-ABC算法中的SN条飞行路径。
2)根据无人机路径实际应用要求构造适应度函数，包括航路轨迹长度、航路平滑度和航路隐蔽度；适应度函数用于衡量生成路径的优化程度，与IB-ABC算法中蜜源的保留与否相关。
3)利用雇佣蜂策略进行路径优化(蜜源更新)：利用路径规划IB-ABC算法雇佣蜂策略更新蜜源信息；
在IB-ABC算法中，雇佣蜂、跟随蜂、侦查蜂分别代表一种解的更新策略，即雇佣蜂策略、跟随蜂策略和侦查蜂策略；三种策略产生的优化解分别命名为雇佣蜂对应的蜜源优化无人机飞行路径、跟随蜂对应的蜜源优化无人机飞行路径、侦查蜂对应的蜜源优化无人机飞行路径是三种策略得到的优化解。在算法迭代的每个循环中，雇佣蜂策略指通过交叉(对于两个等大小的路径编码数组，对应坐标点交换数值)和变异(对一个路径编码数组进行某个坐标点的数值变化)过程，与某个飞行路径编码数组(蜜源)与随机选择的飞行路径(蜜源)进行信息共享，然后更新该蜜源代表的飞行路径编码数组，由于雇佣蜂与蜜源一一对应，因此可以视为雇佣蜂在对应的蜜源周围搜索新的蜜源。每次利用雇佣蜂策略进行优化，称为雇佣蜂进行一次搜索，优化结果就是雇佣蜂对应的蜜源优化无人机飞行路径，简称为雇佣蜂优化路径。在本发明中，通过考虑迭代内部反馈信息Tr(无效的搜索次数)来进行信息共享，而不采用随机信息共享方式。
4)采用贪婪选择策略计算得到的雇佣蜂优化路径适应度值，获取飞行路径；
采用贪婪选择策略计算新的蜜源花蜜量，即新蜜源对应的无人机优化路径适应度值。在路径规划算法中，路径的适应度值越小，路径越接近最优路径。如果新的路径适应度小于原始飞行路径，则将旧的蜜源舍弃，保留新的蜜源，生成雇佣蜂优化路径取代原始飞行路径，该过程可视作雇佣蜂移动至新的蜜源；反之则雇佣蜂停留在旧蜜源，即不使用雇佣蜂优化路径取代原始飞行路径。
5)利用跟随蜂策略进行蜜源飞行路径优化，得到跟随蜂优化路径：采用根据适应度大小直接为SN个蜜源分配跟随蜂的方式，计算每个蜜源对应的无人机飞行路径的适应度值比率；每个跟随蜂都分配到一个蜜源；
跟随蜂策略指的是，通过一定方式选择某个蜜源并为其分配一个跟随蜂，通过变异过程，在该蜜源对应的飞行路径周围进行新的飞行路径的搜索，由于新的蜜源与跟随蜂一一对应，旧的蜜源与雇佣蜂一一对应，因此可以视为跟随蜂在雇佣蜂周围搜索新的蜜源并选择新的蜜源路径。每次利用跟随蜂策略进行优化，称为跟随蜂进行一次搜索，优化结果就是跟随蜂对应的蜜源优化无人机飞行路径，简称为跟随蜂优化路径。在本发明中，采用直接为SN个蜜源分配SN个跟随蜂的方式。计算每个经过雇佣蜂策略后保留的原始飞行路径和雇佣蜂优化路径的适应度值比率，将所有蜜源路径按照比率降序排序，跟随蜂随机依序选择一个蜜源进行分配，直至每个跟随蜂都分配到一个蜜源，即对每个原始无人机飞行路径和雇佣蜂优化路径都可以利用跟随蜂策略优化。
6)采用贪婪选择策略计算新的飞行路径的适应度值，获取飞行路径；
再次进行贪婪选择策略，若跟随蜂优化路径适应度值小于步骤4)后产生的对应的雇佣蜂优化路径或者在步骤4)后未被雇佣蜂优化路径取代的原始飞行路径适应度值，则删除对应的雇佣蜂优化路径或者原始路径，保留跟随蜂优化路径，视为将对应雇佣蜂移动至跟随蜂优化路径对应蜜源；反之则保留使用跟随蜂策略优化之前的无人机飞行路径，即步骤4)后产生的雇佣蜂优化路径和步骤4)后未被雇佣蜂优化路径取代的原始飞行路径。
7)利用侦查蜂策略进行蜜源路径优化；
侦查蜂策略指的是：在迭代过程中，如果某个蜜源经过雇佣蜂策略和跟随蜂策略仍然没有更新，即该蜜源对应的无人机路径没有得到优化，则删除该无人机路径，在全局重新随机生成一个不同的无人机飞行路径，然后再次进入迭代过程进行优化。由于雇佣蜂和蜜源一一对应，因此可以视为该雇佣蜂及对应蜜源被取代，取代它的就是侦查蜂以及侦查蜂对应的蜜源。每次利用侦查蜂策略进行优化，称为侦查蜂取代雇佣蜂并进行一次搜索，优化结果就是侦查蜂对应的蜜源优化无人机飞行路径，简称为侦查蜂优化路径。
在本发明的迭代过程中，为每个初始蜜源对应的无人机路径设置一个Tr值(Tr为常数，代表蜜源飞行路径经过一个迭代周期的路径优化后，路径编码数组没有更新的次数)，初始为0。经过一次雇佣蜂策略优化后，原始无人机飞行路径没有被雇佣蜂优化路径取代，或者经过一次跟随蜂策略优化后，雇佣蜂优化路径和原始无人机飞行路径没有被跟随蜂优化路径取代，则将该原始无人机路径对应的Tr值加1；相反，当第i个蜜源对应的原始无人机飞行路径被雇佣蜂优化路径、跟随蜂优化路径取代，或者雇佣蜂优化路径被跟随蜂优化路径取代，相应的无人机飞行路径Tr(i)值重置为0。在每次迭代结束后，任何超过阈值Th(提前设置的常量，用于衡量Tr的大小)的Tr(i)都将被重置为L，而不是直接实施侦查蜂策略。在进行下一次迭代前，比较Tr的平均值和γ*D的大小(γ是给定的参数，位于(0，1)之间，用于确定无效搜索的程度，D为每条路径中路径点的个数)，若γ*D较小，则实施侦查蜂策略，将任意γ*SN数量的无人机路径(包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)用侦查蜂优化路径代替，即删除γ*SN数量的无人机路径，初始化同样数量的侦查蜂优化路径，且这新的γ*SN条蜜源路径相应的Tr重置为1，然后进入下一轮迭代；如果Tr的平均值较小，直接进入下一次迭代，保留当前所有蜜源路径(包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)，不生成侦查优化蜂优化路径。
8)每次迭代完成后，记录当前最优解，返回步骤3)继续执行，直至满足迭代次数上限。
9)迭代终止后，输出最优解，生成适应度值最小路径，即实现基于IB-ABC的无人机飞行路径的规划。
所述步骤(1)是整个优化算法的起始操作，进一步细化描述如下。
在ABC相关算法中，通过雇佣蜂、跟随蜂、侦查蜂合作搜索空间中的最优蜜源，通过雇佣蜂、跟随蜂、侦查蜂代表三种不同的路径优化策略，其中雇佣蜂策略和跟随蜂策略是局部优化策略，侦查蜂策略是全局优化策略，每个蜜源代表优化问题的一个可行解，在路径规划问题中每个蜜源都代表一条由路径编码数组构成的可行路径。雇佣蜂对应的蜜源优化无人机飞行路径、跟随蜂对应的蜜源优化无人机飞行路径、侦查蜂对应的蜜源优化无人机飞行路径是三种策略得到的优化解。在三维直角坐标系中，对每一条待优化路径进行编码(路径通过坐标进行编码)，生成编码数组；无人机飞行路径以坐标系中X、Y、Z三个整数组成的坐标点表示；编码数组的形式为长度为L的单链表，如图2所示，L也是路径规划IB-ABC算法中解的维度和元素的个数，即路径中坐标点的个数；以编码数组作为路径规划IB-ABC算法中的蜜源位置进行初始化，随机产生SN个蜜源(编码数组)，就是路径规划IB-ABC算法中的SN条路径。初始化过程如下：
a)生成初始路径
令Xi表示在三维直角坐标系空间中第i个蜜源对应的无人机飞行路径(原始无人机路径)(i＝1,2，…，SN)，因此蜜源、雇佣蜂、跟随蜂数量都为SN。连接坐标系中的起点S和终点T形成一条线段ST，然后将其用D1条垂直于ST的虚线{Lk,k＝1,2…,D1}划分为相等长度的D1+1个部分，从每条Lk上任意选择一个点作为路径的坐标点(简称为路径点)，D1条垂直虚线对应了D个路径点(D1＝D)，将每条Lk上的D个路径点依次连接起来，从而形成了从S到T的一条可行路径，如图3所示。因此，相应的D个点的坐标组成的路径就是要优化的对象，即Xi。Xi中每个路径点
Figure GDA0004041311320000097
的具体初始化过程如公式(1)所示。
Figure GDA0004041311320000091
其中，
Figure GDA0004041311320000092
表示第i个可行解的第j个元素(j＝1,2，…,D)，即第i条路径中的第j个坐标点；
Figure GDA0004041311320000093
和
Figure GDA0004041311320000094
表示第j个坐标点的上下限，D表示可行解的维数和元素个数，即路径中坐标点的个数，φ表示0-1之间的随机数。
所述步骤(2)用于衡量生成路径的优化与否，进一步细化如下：
与无人机路径密切相关的要素包括路径长度和安全性，本发明中，适应度函数包括航路轨迹长度、航路平滑度、航路隐蔽度和航路威胁度。
a)航路轨迹长度。
旨在尽可能缩短路径。由于规划路径是通过网格坐标进行编码的，因此路径长度为有序坐标点计算出的路径长度的总和，如公式(2)所示。
Figure GDA0004041311320000095
其中，d(Pi,Pi+1)为第i和i+1个点之间的距离,Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，f1为轨迹长度适应度函数值。
b)航路平滑度。
旨在计算决策路径上的轨迹平滑情况。平滑度可以通过两个相邻坐标点计算得出，如公式(3)中所示。
Figure GDA0004041311320000096
式(3)中，αi为两个相邻坐标点的航路平滑度，atan为正切函数，Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，d(Pi-1,Pi)为第i-1和i个点之间的距离，d(Pi,Pi+1)为第i和i+1个点之间的距离，f2为平滑度适应度函数值；
c)航路隐蔽度。
旨在计算决策路径的安全程度，隐蔽性与航路飞行高度，航路与障碍物距离相关，计算公式如公式(4)所示。
Figure GDA0004041311320000101
其中，hmax代表环境中最高点的高度，dsafe为预设常量，代表安全距离，Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，d(Pi-1,Pi)为第i-1和i个点之间的距离，d(Pi,Pi+1)为第i和i+1个点之间的距离，Si、Sj和f3均为相应条件下的隐蔽度适应度函数值。
d)航路威胁度。
旨在计算决策路径的与障碍物间的威胁程度，威胁度与路径经过的障碍区域，路径和障碍中心的距离有关，为简化计算，障碍物以球形体表示。计算公式如公式(5)所示。
Figure GDA0004041311320000102
其中，Wt代表路径上任一点(Xi，Yi，Zi)到障碍物t(Xt，Yt，Zt)的中心点的距离，Rt代表障碍物半径，ft代表第t个障碍物对路径的威胁度，f4为所有n个障碍物对路径的总威胁度适应度函数值。
因此，对于路径的适应度评估函数计算公式如公式(6)所示。
Figure GDA0004041311320000103
其中，f为路径的适应度加权总和，λ为加权参数。
所述步骤(3)用于利用雇佣蜂策略对进行飞行路径优化(蜜源更新)，进一步细化如下：
雇佣蜂策略指的是，通过交叉(对于两个等大小的路径编码数组，对应坐标点交换数值)和变异(对一路径编码数组进行某个坐标点的数值变化)过程，与某个飞行路径编码数组(蜜源)与随机选择的飞行路径(蜜源)进行信息共享，即更新该蜜源代表的飞行路径编码数组，由于雇佣蜂与蜜源一一对应，因此可以视为雇佣蜂在对应的蜜源周围搜索新的蜜源。每次利用雇佣蜂策略进行优化，称为雇佣蜂进行一次搜索，优化结果就是雇佣蜂对应的蜜源优化无人机飞行路径，简称为雇佣蜂优化路径。
在本发明中，通过考虑迭代内部反馈信息Tr(无效的搜索次数)来进行无人机路径的优化过程，路径信息共享和优化过程如公式(7)所示。
Figure GDA0004041311320000111
其中，
Figure GDA0004041311320000112
为第i个原始无人机飞行路径的第j个元素，即第i条无人机飞行路径的第j个坐标点，
Figure GDA0004041311320000113
为经过雇佣蜂策略优化后的雇佣蜂优化路径对应位置的路径点坐标，Tr(i)为常数，代表蜜源Xi经过一轮路径信息优化后，路径信息没有更新的次数，φ为(-1,1)之间的随机数。在该方案中，每次只采用单个路径点
Figure GDA0004041311320000114
对无人机飞行路径进行更新，以确保对局部的搜索能力。每当雇佣蜂进行一次搜索却没有更新蜜源时，Tr加1。
所述步骤(4)中进行贪婪选择策略：计算新的蜜源花蜜量，即公式(7)求得的Xi *雇佣蜂优化路径的适应度值。将
Figure GDA0004041311320000115
的适应度值和Xi的适应度值进行比较，如果
Figure GDA0004041311320000116
的路径适应度小于Xi的适应度值，雇佣蜂移动至新的蜜源
Figure GDA0004041311320000117
表现为用
Figure GDA0004041311320000118
对应的雇佣蜂优化路径取代Xi对应无人机飞行路径，反之则保留原始无人机飞行路径Xi。
所述步骤(5)中，利用跟随蜂策略进行无人机飞行路径优化：
跟随蜂策略指的是，通过一定方式选择某个蜜源并为其分配一个跟随蜂，通过变异过程，在该蜜源对应的无人机路径周围进行新的飞行路径的搜索，由于新的蜜源与跟随蜂一一对应，旧的蜜源与雇佣蜂一一对应，因此可以视为跟随蜂在雇佣蜂周围搜索并选择新的蜜源。每次利用跟随蜂策略进行优化，称为跟随蜂进行一次搜索，优化结果就是跟随蜂对应的蜜源优化无人机飞行路径，简称为跟随蜂优化路径。
在本发明中，采用根据适应度大小直接为蜜源分配SN个跟随蜂并搜索的方式，进一步细化如下：
对每个无人机路径的适应度值比率P计算如公式(8)所示。
Figure GDA0004041311320000121
其中，f(i)表示第i个雇佣蜂优化路径的适应度函数值。
通过计算每个经过雇佣蜂策略后保留的原始飞行路径和雇佣蜂飞行路径的适应度值比率，将所有蜜源按照比率降序排序，跟随蜂随机依序选择一个蜜源进行分配，直至每个跟随蜂都分配到一个蜜源，通过这种方式，适应度比率较大的雇佣蜂能够较早分配到跟随蜂，表现为适应度较好的无人机飞行路径能够优先利用跟随蜂策略，在周围寻找到最优路径。
在本发明中，由于在步骤(3)中雇佣蜂策略已经对无人机路径周围进行了搜索和优化，在跟随蜂策略中，采用比雇佣蜂策略更大的搜索范围，在更大的局部范围进行路径优化，搜索方法如公式(9)所示。
Figure GDA0004041311320000122
其中，
Figure GDA0004041311320000123
为第i个雇佣蜂优化路径的第j个元素，
Figure GDA0004041311320000124
为其执行跟随蜂策略后的跟随蜂优化路径对应位置的路径点，φ为(-1,1)之间的随机数。在该方案中，为了增强对全局范围的优化飞行路径搜索能力，本发明使用了
Figure GDA0004041311320000125
和
Figure GDA0004041311320000126
两个元素对
Figure GDA0004041311320000127
进行更新。
所述步骤(6)中，再次进行贪婪选择策略，方法同步骤(4)，若跟随蜂优化路径适应度值小于步骤4)后产生的对应的雇佣蜂优化路径或者在步骤4)后未被雇佣蜂优化路径取代的原始飞行路径适应度值，则删除对应的雇佣蜂飞行路径或者原始飞行路径，保留跟随蜂优化路径，视为将对应雇佣蜂移动至跟随蜂优化路径对应蜜源；反之则保留步骤4)后产生的雇佣蜂优化路径和步骤4)后未被雇佣蜂优化路径取代的原始飞行路径。
所述步骤(7)中，利用侦查蜂策略进行全局搜索无人机优化路径，进一步细化如下：
侦查蜂策略指的是：在迭代过程中，如果某个蜜源经过雇佣蜂策略和跟随蜂策略仍然没有更新，即该蜜源对应的无人机飞行路径没有得到优化，则删除该无人机路径，在全局重新随机生成一个不同的无人机飞行路径，然后再次进入迭代过程进行优化。由于雇佣蜂和蜜源一一对应，因此可以视为该雇佣蜂及对应蜜源被取代，取代它的就是侦查蜂以及侦查蜂对应的蜜源。每次利用侦查蜂策略进行路径优化，称为侦查蜂取代雇佣蜂并进行搜索，优化结果就是侦查蜂对应的蜜源优化无人机飞行路径，简称为侦查蜂优化路径。
在迭代过程中，为每个蜜源对应的无人机飞行路径设置一个Tr值(Tr相关定义同公式(7))，初始为0。经过一次雇佣蜂策略优化后，如果原始无人机飞行路径没有被雇佣蜂优化路径取代，或者经过一次跟随蜂策略优化后，雇佣蜂优化路径和原始无人机飞行路径没有被跟随蜂优化路径取代，则将原始无人机路径对应的Tr值加1；相反，当第i个蜜源对应的原始无人机飞行路径被雇佣蜂优化路径、跟随蜂优化路径取代，或者雇佣蜂优化路径被跟随蜂优化路径取代时，相应的无人机飞行路径Tr(i)值重置为1。在每次迭代结束后，任何超过阈值Th(提前设置的常量，用于衡量Tr的大小)的Tr(i)都将被重置为L，而不是直接实施侦查蜂策略。在进行下一次迭代前，比较Tr的平均值
Figure GDA0004041311320000131
和γ*D的大小(γ∈(0，1)，为给定的参数，用于确定无效搜索的程度,D为每条路径中路径点的个数)，若γ*D较小，代表当前的迭代系统有效运行的效率过低，需要执行整体的更新，此时实施侦查蜂策略，删除任意γ*SN数量的无人机飞行路径(包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)，初始化同样数量的侦查蜂优化路径，且这新的γ*SN条蜜源路径相应的Tr重置为1，然后进入下一次迭代；若γ*SN较大，直接进入下一次迭代，保留当前所有的无人机飞行路径(包括一直未得到优化的初始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径)，不生成侦查蜂优化路径。平均值计算公式如公式(10)所示。
Figure GDA0004041311320000132
其中，
Figure GDA0004041311320000133
代表SN个蜜源路径的Tr平均值，Tr(i)代表到目前为止，第i个蜜源经过一轮路径优化却没有更新路径信息的次数。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种基于IB-ABC的无人机飞行路径规划方法，IB-ABC为改进平衡蜂群算法，包括雇佣蜂优化路径策略、跟随蜂优化路径策略和侦查蜂优化路径策略；通过对人工蜂群ABC路径规划算法进行改进，基于迭代过程的反馈信息改进雇佣蜂策略和跟随蜂策略，提高优化路径局部搜索能力；通过采用侦查蜂优化路径策略生成新路径平衡局部搜索和全局搜索能力；从而快速生成三维环境下长度短且安全平滑的无人机飞行路径；包括以下步骤：
1)初始化无人机飞行路径，在三维直角坐标系中对每一条待优化路径进行编码，生成路径编码数组；
无人机飞行路径以坐标系中坐标轴X、Y、Z的点坐标表示；一个路径编码数组表示一条无人机飞行路径；以路径编码数组作为路径规划IB-ABC算法中的蜜源进行初始化，随机产生SN条作为蜜源路径的无人机飞行路径；每个蜜源路径是一个路径编码数组；
2)构造适应度函数，用于衡量生成路径的优化程度，包括航路轨迹长度、航路平滑度和航路隐蔽度和航路威胁度；适应度为航路轨迹长度、航路平滑度和航路隐蔽度和航路威胁度的加权总和；
a)航路轨迹长度为有序坐标点计算出的路径长度的总和，用于缩短飞行路径；
b)航路平滑度通过两个相邻坐标点计算得到，反映决策路径的轨迹平滑程度；
c)航路隐蔽度与航路飞行高度、航路与障碍物距离相关，反映决策路径的安全程度；
d)航路威胁度反映决策路径的与障碍物间的威胁程度，航路威胁度与路径经过的障碍区域，路径和障碍中心的距离有关；
3)利用雇佣蜂优化路径策略进行无人机飞行路径优化，得到雇佣蜂优化路径；
雇佣蜂优化路径策略是通过交叉和变异过程，与作为蜜源的飞行路径编码数组及随机选择的飞行路径进行信息共享，通过雇佣蜂搜索新的蜜源进行优化，即更新该蜜源对应的飞行路径编码数组，得到雇佣蜂优化路径；
4)采用贪婪选择策略计算得到路径适应度值，获取飞行路径；
采用贪婪选择策略计算新蜜源花蜜量，新蜜源花蜜量即新蜜源对应的无人机优化路径适应度值；如果新的路径适应度值较低，则将旧的蜜源舍弃，保留新的蜜源，生成雇佣蜂优化路径，雇佣蜂移动至新的蜜源；否则雇佣蜂停留在旧蜜源，即不使用雇佣蜂优化路径；
5)利用跟随蜂优化路径策略进行飞行路径优化，得到跟随蜂优化路径；
采用为SN个蜜源直接分配跟随蜂的方式，计算每个蜜源对应的无人机飞行路径的适应度值比率；每个跟随蜂均分配到一个蜜源；跟随蜂优化路径策略是通过一定方式选择某个蜜源并为其分配一个跟随蜂，在该蜜源对应的飞行路径周围进行新的飞行路径的搜索，即跟随蜂在雇佣蜂周围搜索新的蜜源并选择新的蜜源，每次利用跟随蜂策略进行优化，为跟随蜂进行一次搜索，优化结果即跟随蜂优化路径；
6)计算得到的跟随蜂优化路径的适应度值；
7)再次选取得到飞行路径；
再次进行贪婪选择策略，若跟随蜂优化路径适应度值优于步骤4)得到的雇佣蜂优化路径和原始飞行路径适应度值，则删除雇佣蜂优化路径或原始路径，保留跟随蜂优化路径；否则保留使用跟随蜂策略优化之前的无人机飞行路径；
8)利用侦查蜂优化路径策略进行蜜源路径优化，生成侦查蜂优化路径；
侦查蜂优化路径策略是：在迭代过程中，如果某个蜜源经过雇佣蜂优化路径策略和跟随蜂优化路径策略仍没有更新，即该蜜源对应的无人机飞行路径没有得到优化，则删除该无人机飞行路径，重新随机生成一个不同的无人机飞行路径，然后再进入迭代过程进行优化，得到侦查蜂优化路径；
9)每次迭代完成后，记录当前最优解，返回步骤3)继续执行；
10)迭代终止后，输出最优解，生成适应度值最小路径，即实现基于IB-ABC的无人机飞行路径的规划。
2.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，所述路径编码数组的形式为长度为L的单链表，L是路径规划IB-ABC算法中解的维度和元素的个数，即飞行路径中坐标点的个数。
3.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，交叉过程具体是将两个等大小的飞行路径编码数组的对应坐标点交换数值；变异过程是按照概率改变路径编码数组中某个坐标点的数值。
4.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，步骤3)中，具体通过迭代内部反馈的无效的搜索次数信息的方式进行信息共享优化，表示为式(7)：
Figure FDA0004055797820000021
其中，
Figure FDA0004055797820000031
为第i个原始无人机飞行路径的第j个元素，即第i条无人机飞行路径的第j个坐标点；
Figure FDA0004055797820000032
为经过雇佣蜂策略优化后的雇佣蜂优化路径对应位置的路径点坐标，Tr(i)为常数，代表蜜源Xi经过一轮路径信息优化后，路径信息没有更新的次数；φ为(-1,1)之间的随机数；每次只采用单个路径点
Figure FDA0004055797820000033
对无人机飞行路径进行更新；每当雇佣蜂进行一次搜索但没有更新蜜源时，Tr(i)加1。
5.如权利要求4所述基于IB-ABC的无人机飞行路径规划方法，其特征是，步骤4)采用贪婪选择策略，具体是：通过式(7)计算求得雇佣蜂优化路径
Figure FDA0004055797820000034
的适应度值，将
Figure FDA0004055797820000035
的适应度值和Xi的适应度值进行比较；如果
Figure FDA0004055797820000036
的路径适应度小于Xi的适应度值，则将
Figure FDA0004055797820000037
对应的雇佣蜂优化路径更新为无人机飞行最优路径。
6.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，步骤2)适应度函数中，用于衡量生成路径的优化程度，包括航路轨迹长度、航路平滑度和航路隐蔽度；
航路轨迹长度表示为式(2)：
Figure FDA0004055797820000038
其中，d(Pi,Pi+1)为第i和i+1个点之间的距离,Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，f1为轨迹长度适应度函数值；
航路平滑度表示为式(3)：
Figure FDA0004055797820000039
式(3)中，αi为两个相邻坐标点的航路平滑度，atan为正切函数，Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，d(Pi-1,Pi)为第i-1和i个点之间的距离，d(Pi,Pi+1)为第i和i+1个点之间的距离，f2为平滑度适应度函数值；
航路隐蔽度表示为式(4)：
Figure FDA0004055797820000041
Figure FDA0004055797820000042
Figure FDA0004055797820000043
其中，hmax代表环境中最高点的高度，dsafe为预设常量，代表安全距离，Xi、Yi、Zi代表i点的三维坐标，Xi+1、Yi+1、Zi+1代表i+1点的三维坐标，d(Pi-1,Pi)为第i-1和i个点之间的距离，d(Pi,Pi+1)为第i和i+1个点之间的距离，Si、Sj和f3均为相应条件下的隐蔽度适应度函数值；
航路威胁度表示为式(5)：
Figure FDA0004055797820000044
其中，Wt代表路径上任一点(Xi，Yi，Zi)到障碍物t(Xt，Yt，Zt)的中心点的距离，Rt代表障碍物半径，ft代表第t个障碍物对路径的威胁度，f4为所有n个障碍物对路径的总威胁度适应度函数值；
路径的适应度评估函数计算表示为式(6)：
f＝λ1f1+λ2f2+λ3f3+λ4f4
λ1+λ2+λ3+λ4＝1 (6)
其中，f为路径的适应度加权总和，λ为加权参数。
7.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，步骤8)生成侦查蜂优化路径具体包括如下步骤：
81)为每个初始蜜源对应的无人机飞行路径设置一个Tr值，初始为0；
82)开始迭代前，比较Tr的平均值与γ*D，γ是(0，1)之间的给定参数，用于确定无效搜索的程度，D为每条路径中路径点的个数；
若γ*D较小，则将任意γ*SN数量的无人机飞行路径用侦查蜂优化路径代替，即删除γ*SN数量的侦查蜂优化路径，初始化同样数量的新蜜源路径，且新的γ*SN条蜜源路径相应的Tr重置为1；任意γ*SN数量的无人机飞行路径包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径；然后进入下一轮迭代；
如果Tr的平均值较小，直接进入下一次迭代，不生成侦查蜂优化路径；当前所有蜜源路径包括一直未得到优化的原始无人机飞行路径、雇佣蜂优化路径和跟随蜂优化路径。
8.如权利要求7所述基于IB-ABC的无人机飞行路径规划方法，其特征是，Tr的平均值
Figure FDA0004055797820000051
具体通过式(10)计算得到：
Figure FDA0004055797820000052
其中，
Figure FDA0004055797820000053
代表SN个蜜源路径的Tr平均值，Tr(i)代表到目前为止，第i个蜜源经过一轮路径优化却没有更新路径信息的次数。
9.如权利要求1所述基于IB-ABC的无人机飞行路径规划方法，其特征是，步骤5)中，通过式(8)计算得到每个无人机飞行路径的适应度值比率P：
Figure FDA0004055797820000054
其中，f(i)表示第i个雇佣蜂优化路径的适应度函数值。
10.如权利要求9所述基于IB-ABC的无人机飞行路径规划方法，其特征是，在跟随蜂优化路径策略中，搜索方法表示为式(9)：
Figure FDA0004055797820000061
其中，使用
Figure FDA0004055797820000062
和
Figure FDA0004055797820000063
两个元素对
Figure FDA0004055797820000064
进行更新；
Figure FDA0004055797820000065
为第i个雇佣蜂优化路径的第j个元素，
Figure FDA0004055797820000066
为其执行跟随蜂策略后的跟随蜂优化路径对应位置的路径点，φ为(-1,1)之间的随机数。
CN202011370176.8A 2020-11-30 2020-11-30 一种基于ib-abc算法的无人机飞行路径规划方法 Active CN112484732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011370176.8A CN112484732B (zh) 2020-11-30 2020-11-30 一种基于ib-abc算法的无人机飞行路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011370176.8A CN112484732B (zh) 2020-11-30 2020-11-30 一种基于ib-abc算法的无人机飞行路径规划方法

Publications (2)

Publication Number Publication Date
CN112484732A CN112484732A (zh) 2021-03-12
CN112484732B true CN112484732B (zh) 2023-04-07

Family

ID=74937019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011370176.8A Active CN112484732B (zh) 2020-11-30 2020-11-30 一种基于ib-abc算法的无人机飞行路径规划方法

Country Status (1)

Country Link
CN (1) CN112484732B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113188544B (zh) * 2021-04-29 2022-08-09 福建师范大学 一种基于缓存的无人机基站路径规划方法
CN113219996B (zh) * 2021-06-07 2022-08-19 中国传媒大学 文化综合体装备的多路径规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017197626A1 (zh) * 2016-05-19 2017-11-23 江南大学 改进人工蜂群优化的极限学习机方法
CN110617818A (zh) * 2019-10-15 2019-12-27 中国人民解放军军事科学院国防科技创新研究院 一种无人机航迹生成方法
CN110889625B (zh) * 2019-11-25 2022-05-24 航天时代飞鸿技术有限公司 一种用于蜂群无人机系统的任务规划方法
CN111626500A (zh) * 2020-05-25 2020-09-04 南京航空航天大学 一种基于改进人工蜂群算法的路径规划方法

Also Published As

Publication number Publication date
CN112484732A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN108229719B (zh) 无人机编队任务分配与航迹规划的多目标优化方法及装置
CN108664022B (zh) 一种基于拓扑地图的机器人路径规划方法及系统
Rezwan et al. Artificial intelligence approaches for UAV navigation: Recent advances and future challenges
Li et al. Trajectory planning for UAV based on improved ACO algorithm
Sangeetha et al. Energy-efficient green ant colony optimization for path planning in dynamic 3D environments
CN109489667A (zh) 一种基于权值矩阵的改进蚁群路径规划方法
Ma et al. Improved ant colony algorithm for global optimal trajectory planning of UAV under complex environment.
CN112484732B (zh) 一种基于ib-abc算法的无人机飞行路径规划方法
CN112462803B (zh) 一种基于改进nsga-ii的无人机路径规划方法
He et al. Path planning for indoor UAV based on Ant Colony Optimization
CN112148008B (zh) 一种基于深度强化学习的实时无人机路径预测方法
Wang et al. Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
Haghighi et al. Multi-objective cooperated path planning of multiple unmanned aerial vehicles based on revisit time
CN114510072B (zh) 基于进化迁移优化的多无人机路径规划方法、终端及介质
Ding et al. Improved GWO algorithm for UAV path planning on crop pest monitoring
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
Zhou et al. Continuous patrolling in uncertain environment with the UAV swarm
Zhang et al. Design of the fruit fly optimization algorithm based path planner for UAV in 3D environments
Cui et al. UAV path planning method for data collection of fixed-point equipment in complex forest environment
Xing et al. 3d trajectory planning of positioning error correction based on pso-a* algorithm
Zu et al. Research on UAV path planning method based on improved HPO algorithm in multi-task environment
Liu Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony
Wang Constraint Cellular Ant Algorithm for the Multi-Objective Vehicle Routing Problem.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant